(Thèmes de recherche développés)
a) Image segmentation and Pattern Recognition (La segmentation d’images et la reconnaissance de formes )
Segmentation : Machine learning & Deep learning, Markov random fields, Active contours (level sets), statistical shape models, non-rigid registration, Graph based methods.
Pattern Recognition: A priori knowledge modeling, Statistical shape models, Machine learning & Deep learning, Feature selection.
(Segmentation : apprentissage automatique & apprentissage profond, champs aléatoires de Markov, contours actifs (level sets), modèles de forme statistiques, recalage non rigide, méthodes basées sur les graphes.)
(Reconnaissance de formes : Modélisation des connaissances a priori. Modèles de formes statistiques à partir d’un ensemble d’apprentissage sur les formes 3D. Classification par apprentissage automatique & apprentissage profond. Sélection des caractéristiques.)
b) Information fusion (La fusion des informations)
Fusion based on deep learning, fuzzy theory, Bayes’ statistical theory, and the theory of belief functions.
(Apprentissage profond, Fusion floue des informations modélisées par des ensembles flous, Fusion basée sur la théorie statistique de Bayes, Fusion basée sur la théorie des fonctions de croyance.)
c) Applications (Applications)
– Medical imaging: brain MRI, Prostate MRI, MR spectroscopy (MRS), thoracic PET-CT
– Segmentation and classification of medical images for diagnostic and therapy
– Longitudinal follow-up and selection of predictive characteristics for cancer therapy
– Radiomics: patient outcome prediction
(Imageries médicales: IRM cérébrale, IRM prostatique, Spectroscopie par RM (SRM) , PET-TDM thoracique; Segmentation et classification des images médicales; Suivi longitudinal et sélection des caractéristiques prédictives pour le traitement du cancer (radiomiques)).